米兰体育官网 一人干翻十亿：5人团队想让“一人独角兽”成为现实

出品 | 虎嗅科技组

作者 | 李一飞

编辑 | 陈伊凡

头图 |AI 生成

" AI 原生 100 "是虎嗅科技组推出针对 AI 原生创新栏目，这是本系列的第「43」篇文章。

想象一家"永不眠"的公司：白天，全天候运行的 Google Meet 与麦克风捕捉着办公室内的每一处沟通细节，AI 助理实时解析、拆解任务，并在次日清晨 8 点将策略与进度精准推送到员工指尖；夜幕降临，当人类休息时，另一套自动化流程无缝接管——监测报错、编写代码、生成 PR，静待工程师次日一键合并。

这并非科幻小说，而是 The General Intelligence Company of New York（GIC）的真实日常。支撑这套昼夜不停、高效运转模式的，正是其 AI 代理平台 Cofounder。在这里，AI 不再是工具，而是拥有核心记忆的尽调员、工程师和行政官，用户只需提供创意与最终决策。

创始人 Andrew Pignanelli 的愿景极具煽动性："好的基建应能支撑一人创造十亿美元的价值。"资本市场显然买单了：成立于 2025 年 1 月的 GIC，短短数月内便由 Union Square Ventures 领投完成两轮融资，总额超 1000 万美元。

然而，在顶级风投为这极致的"人效比"下注背后，摆在 GIC 面前的现实却充满挑战。

首先是算不过来的经济账。 作为高频调用 Devin、Gemini 1.5 Pro 等昂贵算力的"中间商"，cofounder 每天的运转，将消耗大量 token。

其次是拥挤的战场。 尽管 AI Agent 化是行业刚需，但大厂与初创公司早已布局。真正的壁垒不再是技术优劣，而是对行业 Know-how 的深度理解与场景化落地能力。

最后是隐私。全天候监听意味着将商业机密、代码库甚至人事纠纷毫无保留地上传云端，这对企业级用户而言无异于一场"合规噩梦"。

虎嗅和众多 AI 行业的创业者沟通，显然这是一个刚需，例如高度标准化、流程化和重复性强、决策逻辑可以量化的场景，可以 AI Agent 化。GIC 的战场远比想象中拥挤。大厂以及一些初创公司也在企业通用流程平台上有所布局，但更关键的壁垒是需求认知，相比于技术的优劣，更加考验的是对于不同行业、不同岗位需求和 knowhow 的深入理解，甚至面对不同老板，是否能提供适用的 Agent 工具。

为何资本仍愿意豪赌这"一人干翻十亿"的愿景？GIC 究竟是在构建高效的未来，还是在挑战商业与伦理的边界？

" 天才少年"的 AI 野心

CEO Andrew Pignanelli 的履历是典型的"天才少年"叙事：18 岁辍学即投身 AI 工具开发；2019 年创立 Velvet 服务私募股权基金；2021 年创立 Decheque Securities，成为史上最年轻的经纪交易商拥有者，并亲手操盘了 Anthropic、CoreWeave 等顶级 AI 公司的二级市场交易。

福布斯曾评价道："年仅 20 出头的他，便达成了多数人穷其数十年才能企及的成就。然而，他并不认为这是他的最大野心。"

更大的野心，便是 GIC，而将野心落地的关键，是联合创始人 Abhishyant Khare。Khare 深耕机器学习系统多年，曾执掌 AI 可观测性先驱 Gantry 的工程团队。两人在硅谷知名的"从 -1 到 0 "创业社区 South Park Commons（SPC）相遇。在这个孵化了 Comun、Pulley、The Graph 等明星项目的摇篮里，两人一拍即合。

GIC 的发展速度堪称惊人。2025 年 1 月正式成立；4 月即获 Compound 和 Acrew Capital 的 200 万美元 Pre-Seed 轮融资，完成原型构建；9 月 cofounder 上线，凭借独特的营销策略，仅一周注册量即破 5000。

高潮发生在 2025 年 12 月。GIC 发布   Cofounder 1.5 版本，并宣布完成由老牌风投 Union Square Ventures（USV）领投的 870 万美元种子轮融资，总融资额迅速突破 1000 万美元。值得一提的是，USV 曾投出 Twitter、Coinbase、Stripe 等巨头，其合伙人 Rebecca Kaden 更是 Cofounder 的早期重度用户。这轮融资也标志着 GIC 战略的升级：不再止步于" AI 助理"，而是向"全栈 AI 代理公司平台"进化。

GIC 最具说服力的营销，或许是其自身的运营方式。从创立之初，创始人便是   Cofounder 最忠实的用户（Dogfooding）。目前，整个 GIC 团队仅有 5 人（CEO、CTO、前后端与研究员），而   Cofounder 承担了团队"第六人"的角色——从调研分析、日程管理到代码修复、视觉设计，这一"超级外脑"支撑着公司的高效运转。

左边为创始人，右为 CTO

这种从产品到运营深入骨髓的 AI Native 特质，或许正是其最核心的竞争力。

冷启动与特色营销                                               

在 GIC 的哲学中，品味、产品叙事与工程能力被置于同等重要的位置，这种理念直观地体现在其官网 UI 设计与   Cofounder 独特的冷启动策略上。GIC 的官网与产品界面采用统一的彩色像素风格，所有视觉元素均由纽约街景与自然风光图片转化而来，调性鲜明且极具辨识度，这种对自然与色彩的偏好也延续到了其产品周边与营销布局中。

官网截图

  Cofounder 的冷启动是一场对社交媒体传播与视觉元素的极致运用。其病毒式传播的起点源于 Twitter 上的一张自拍：Pignanelli 身着一件印有公司 Logo 的定制彩色羊毛衫，将其称为公司周边。这件毛衣因与加州品牌 ERL 的渐变毛衣高度相似，在随后的数月内引发了大量转载与热议，成功将 GIC 带入公众视野。

紧接着，团队发布了一部动画宣传片，再次收割流量。短片以 Founder 在搜索栏输入" How to start up "为引子，引出   Cofounder 这一角色，随即展开了一段为期一分多钟的"热血创业番"——从布置办公室、开会到写代码、解决问题，生动勾勒了创业者与 AI   Cofounder 并肩从无到有、直至成功的路径想象，完成了一次极具感染力的产品叙事。

宣传片首页

产品上线后，惊喜并未停止。因   Cofounder 生成的邮件风格与用户本人惊人相似，引发了新一轮的用户自发截图分享传播。这种热情远超 Pignanelli 的预期：团队原定目标为首周获客 500 人，实际注册人数却在短短一周内突破 5000。官网数据显示，截至目前，  Cofounder 已累计自动化执行了 59,191 个任务，代理系统每月处理超 180 亿个 Token，支持调用 100 多个工具并覆盖 19 类集成，真正实现了将个人时间从繁琐的重复性事务中解放，重新归还给决策与创意。

cofounder 如何工作？

如果要用一句话来解释 cofounder 是工作的，那便是 Agent managing Agent。  Cofounder 要做的，就是将管理的部分自动化，让用户只需要说一句话就能让公司组织自行运转，把人从琐碎协调里释放出来。

在工具层面，  Cofounder 集成了维持一家现代科技公司运转所需的全套生产力堆栈，并通过调度让它们各司其职：

虎嗅根据公开信息整理

GIC 将公司运营解构为一系列可重复的工作流（Flows）——从收发邮件、创建工单到汇报结果。  Cofounder 的作用便是将这些行为封装为标准的 Flows，支持事件触发、定时触发和手动执行三种模式。

以一个典型的错误处理 flows 为例：当错误监控工具 Sentry 收到警报时，  Cofounder 会自动协调后续动作：从产品分析工具 Posthog 获取相关用户数据，到部署平台 Render 拉取日志，米兰体育再到在项目管理工具 Linear 中检查或创建任务，并将编码修复工作指派给 AI 工程师 Devin 进行代码编写，最后推送给人工审核确认，形成一个完整可复用的工作流。

类似的流程还可以广泛应用于日常运维、团队协作与信息同步等场景中：

1、开发进度同步：每当新的代码提交合并至主分支，  Cofounder 会自动向 Slack 的 shipping 频道发送 commit 信息，包括作者、链接与提交内容，帮助团队同步开发节奏；

2、日常简报：系统每天早晨自动整理会议日程、天气、新闻与与会者背景信息，生成一则 briefing，通过 Slack 发给负责人；

3、健康监控：每小时运行一次测试，向指定频道发送"系统是否正常运行"的心跳信号；

4、会议纪要自动入库：配合 Granola 语音转录，将 Notion 中的新建会议记录自动分类为 CRM 数据，保留行动项和关键客户线索；

5、任务流增强：自动将自然语言转化为 Linear 工单，并从上下文中提取补充信息丰富工单内容；

6、知识检索代理：调用 Notion 中的企业知识库，当作搜索助手用于现场支持和快速调取公司语境信息；

7、邮件摘要：快速总结最近邮件更新，仅提取对工作进展重要的部分，避免信息冗余干扰。

Flows 的运行虽然高度自动化，但这并不代表 AI 具有决策权。

每当   Cofounder 需要在外部应用里执行任务时，它会把动作拆成明确的请求发到用户的 Inbox：用什么工具、做什么、为什么做、预期结果是什么，然后等待批准或拒绝。用户也可以把某些充分验证的例行 Flows 切换到自动批准，但这种模式虽然方便却也存在风险。

如果说工作流是   Cofounder 的"骨骼"，那么它独特的记忆系统就是其"大脑"。GIC 团队认为，记忆是通用人工智能（AGI）迈向真正理解与协作能力的关键一环，同时也是 AI Agent 从工具向长期合作伙伴演进的核心所在。

为此，  Cofounder 设计了工作记忆、核心记忆、长期记忆三层记忆架构：

首先是工作记忆。这是最即时、最短暂的记忆层，属于临时记忆，用于维护当前会话的上下文信息，包括用户对话历史、工具调用中间结果和推理状态。这一层确保   Cofounder 在同一次连续交互中能维持连贯理解，不会说完就忘。

其次是核心记忆。这是个性化的短期记忆层。它会整合用户最近的几次会话内容，从中提炼出用户的偏好、沟通风格和近期关注的重点。比如，它会记住你更喜欢简洁的报告风格，或者你最近在密切关注某个特定的项目。

最后是长期记忆。长期记忆存储公司的关键信息，例如团队结构、产品路线图、战略目标和历史决策记录。它可以与企业现有的知识库深度融合，使   Cofounder 在任务执行时能够调取组织集体智慧，确保不会偏轨。

这套三层记忆系统让   Cofounder 不仅能完成任务，还能在完成任务的过程中不断学习和进化。在较为权威的 MemoryAgentBench 测试中，  Cofounder 在"准确检索"等关键记忆维度上表现优于 MemGPT、Self-RAG 等现有架构。

只有当   Cofounder 比 Linear 更懂代码背后的业务逻辑，比 Slack 更懂聊天记录背后的决策脉络时，它才拥有真正的护城河。

除了三层记忆系统架构，为了让记忆更快更准确地被调用，GIC 引入了 休眠期计算（sleep-time compute）的思路，即在后台系统处于低负载时，cofounder 会自动进行推理与信息重组。

这—过程包括将短期记忆中的零散信息重新分配到长期知识图谱中，消除冗余，并识别出跨部门的潜在关联。这种异步的计算模式使得 cofounder 在实时交互时能够以极低的成本调取经过优化的上下文信息，缓解系统在面对海量动态数据时的准确率减弱的问题。

目前   Cofounder 的能力在其公司内部已被广泛验证，尤其适用于产品、工程、运营等流程高度协同的组织。

但其仍存在一定局限，例如目前仍缺乏网页感知与操作能力（无法像人类一样浏览网页），高度依赖 API 兼容性，复杂逻辑仍需人工介入。

合规隐忧是企业级落地的最大障碍。  Cofounder 的官网隐私政策略显笼统，虽承诺了基础保护，但在细节上缺乏针对性说明。考虑到该服务涉及会议机要、代码库及客户数据等核心资产，企业用户的安全红线远高于个人。想要赢得真正的信任，GIC 必须尽快补齐清晰、透明的数据隐私安全边界。

市场与竞合

AI Agent 市场正处于爆发期，AI 浪潮的推动和代理需求的涌现推动着更多创业公司的出现。根据市场研究机构的数据，全球 AI Agent 市场规模预计在 2030 年飙升至 470 亿至 520 亿美元之间。技术和资本的涌入意味着未来将有更多应用企业的任务由特定的 AI Agent 来处理。

在这片炙手可热的战场上，玩家们大致可以分为垂类代理和平台操作系统两类。

垂类赛道上，明星公司如 AI 软件工程师 Devin 和客户服务公司 Sierra AI。Devin 能够独立完成复杂的编码任务，从需求理解、编写代码到调试部署，在 2025 年 9 月估值已飙升至 102 亿美元；Sierra 则由前 Salesforce 联席 CEO 创立，专注于为企业提供对话式的客户服务 AI Agent，旨在解决 70% 以上的常见客户服务问题，最新估值高达 100 亿美元。

垂类 Agent 为了把单点能力做到极致，需要积累大量高质量行业数据、领域知识和方法论，比如客服需要知识库与政策边界，编码则需要工程语料与调试链路，其优势是足够专业、高效、交付明确。

但 GIC 想做的是将一个个垂直代理横向勾连起来，用平台级的 Agent 去管理调度其他垂直 Agent，从而自动化一家公司的全栈业务流程，其想要改变的是公司的普遍组织形态。

而这种 Agent managing Agent 的理念与 Google 提出的 Agent2Agent 协议极其类似。Agent2Agent 旨在让来自不同供应商或不同框架构建的 AI 智能体彼此通信和协作完成任务，从而形成更大规模的多智能体协同生态。

这当然也带来了 GIC 另一个隐忧，就是成本结构。GIC 的产品逻辑依赖于"长链条"的 Agent 自主运行。例如，为了修复一个 Bug，Cofounder 可能需要反复调用 Devin（目前最贵的 AI 工程师 Agent）、Gemini 1.5 Pro（用于长文本理解）以及 OpenAI 的模型。每一次 Agent 的"自我纠错"和"推理循环"，都是在燃烧 Token。GIC 如何解决成本问题？

另一个问题是，不同 Agent 之间的打通问题，这需要一个强大的生态整合能力，把不同的 Agent 集合到 cofounder 这个调度系统上来。

这家公司面临的另一个挑战来自科技巨头，通用流程化 Agent 已经被证明是大厂的游戏，未来，诸如 Google 这样拥有更完整生态的科技巨头是否会直接挤占 GIC 的生存空间？

GIC 的愿景足够宏大，产品也已跑出雏形，但离真正可规模化的"公司操作系统"仍有很长的路要走。

未来 GIC 的发展犹未可知，但它向市场抛出的核心问题引人深思：我们究竟是在购买一个好用的工具，还是在购买一种全新的公司组织形式？如果是后者，GIC 挑战的不仅仅是代码和算法，而是人类沿袭了数百年的管理学。